El auge de los fondos de cobertura basados en la inteligencia artificial
La inteligencia artificial está adquiriendo un papel cada vez más destacado en la investigación, la negociación y la gestión de riesgos de los fondos de cobertura. Preqin señala que el número de fondos que utilizan IA ha aumentado un 20% en los últimos cinco años. Esta tecnología permite a los gestores analizar más datos y reaccionar con mayor rapidez, pero no elimina los problemas más antiguos de la inversión: señales poco fiables, operaciones masificadas y cambios repentinos en el comportamiento del mercado.
Los fondos de cobertura siempre han buscado obtener una ventaja informativa o analítica. Algunos se basaban en el criterio de expertos en selección de valores. Otros desarrollaban marcos macroeconómicos, estrategias basadas en acontecimientos o modelos estadísticos.
La inteligencia artificial amplía la tradición cuantitativa. Los sistemas de aprendizaje automático pueden analizar grandes conjuntos de datos, detectar patrones y actualizar sus conclusiones a medida que se recibe nueva información.
Esa capacidad resulta atractiva en mercados que generan más datos de los que cualquier equipo humano de inversión puede analizar por sí solo.
Sin embargo, procesar más información no equivale a comprender los mercados con mayor precisión. La inteligencia artificial puede mejorar la búsqueda de oportunidades, pero la calidad de sus decisiones sigue dependiendo de los datos, los objetivos y los supuestos incorporados en el sistema.
La inversión cuantitativa fue lo primero
El uso de ordenadores en la gestión de inversiones es anterior al interés actual por la inteligencia artificial.
Los fondos de cobertura cuantitativos llevan décadas aplicando métodos matemáticos y estadísticos. Buscan relaciones recurrentes entre los valores, las variables económicas y el comportamiento de los inversores, y luego traducen esas relaciones en reglas de negociación.
Renaissance Technologies se convirtió en uno de los ejemplos más destacados. Sus fondos utilizaban grandes conjuntos de datos y modelos sistemáticos, en lugar de los análisis convencionales de las empresas o las previsiones discrecionales del mercado.
El éxito de la empresa contribuyó a consolidar la inversión cuantitativa como una rama diferenciada y muy rentable del sector de los fondos de cobertura.
La IA supone una evolución de este enfoque, más que una ruptura total con él. Los modelos tradicionales suelen partir de relaciones seleccionadas por los investigadores. Los sistemas de aprendizaje automático pueden examinar un conjunto más amplio de variables e identificar patrones con menos instrucciones directas.
Esto amplía el alcance analítico. También puede hacer que la estrategia resultante resulte más difícil de explicar.
Cada vez resulta más difícil mantener la ventaja en materia de datos
Los primeros fondos cuantitativos se beneficiaron de una información y unas capacidades informáticas a las que la mayoría de sus competidores no tenían acceso.
Esa ventaja se ha reducido.
Las empresas de todo tipo tienen ahora acceso a los precios de mercado, los informes empresariales, los datos económicos y otras fuentes de datos. La computación en la nube ha reducido el coste del procesamiento de la información, mientras que los proveedores externos ofrecen herramientas de aprendizaje automático ya preparadas.
Las barreras para la experimentación han desaparecido. Las barreras para obtener rendimientos duraderos de las inversiones, en cambio, no.
Cuando varios fondos analizan datos similares utilizando modelos comparables, pueden descubrir la misma oportunidad. Entonces, el capital entra en la operación, los precios se ajustan y la rentabilidad esperada disminuye.
La ventaja ya no radica en disponer de un algoritmo, sino en contar con mejores datos, una investigación más sólida y una ejecución más rápida.
Ni siquiera la información confidencial conserva su valor indefinidamente. En cuanto los competidores se den cuenta de que un conjunto de datos concreto contiene una señal útil, intentarán replicarlo.
La IA puede acelerar el descubrimiento. También puede acelerar la desaparición de la oportunidad descubierta.
Los datos alternativos amplían el campo de acción
Los fondos basados en la inteligencia artificial pueden procesar información que el análisis de inversión tradicional podría pasar por alto.
Las imágenes por satélite pueden ofrecer estimaciones de la actividad en fábricas, puertos o aparcamientos de tiendas. Los precios en Internet pueden dar indicios tempranos sobre la inflación. Los datos sobre el transporte marítimo pueden revelar cambios en los flujos comerciales, mientras que las ofertas de empleo pueden indicar en qué lugares se están expandiendo las empresas.
El procesamiento del lenguaje natural permite a los fondos analizar a gran escala los informes presentados por las empresas, las conferencias sobre resultados, las noticias y la actividad en las redes sociales.
Estas fuentes pueden ayudar a los directivos a identificar las tendencias antes de que se reflejen en los estados financieros convencionales.
Además, generan un ruido considerable.
La opinión en las redes sociales puede manipularse. Las observaciones por satélite requieren interpretación. Un aumento del debate en Internet puede reflejar una controversia más que una fortaleza comercial.
Por lo tanto, los datos alternativos deben contrastarse con los resultados económicos reales. El hecho de que un conjunto de datos sea novedoso no significa que contenga una señal rentable.
Cuanta más información utiliza un modelo, mayor es la necesidad de distinguir la variación útil de la coincidencia.
«Predicción» sigue siendo una palabra peligrosa
A menudo se dice que los fondos de cobertura basados en la inteligencia artificial predicen los movimientos del mercado con una precisión excepcional.
Esta afirmación exagera lo que hacen la mayoría de los sistemas.
Los modelos de aprendizaje automático suelen estimar probabilidades basándose en las relaciones detectadas en datos históricos. Pueden identificar que determinadas combinaciones de precios, volatilidad y actividad bursátil han dado lugar anteriormente a un resultado concreto.
Estas relaciones no son leyes de la naturaleza.
Los mercados se adaptan. Los inversores reaccionan unos ante otros, la normativa cambia y los regímenes económicos evolucionan. Una vez que una tendencia se generaliza, la propia actividad bursátil puede debilitarla o revertirla.
Un modelo entrenado durante un periodo de tipos de interés bajos puede tener dificultades cuando los costes de financiación aumentan bruscamente. Las relaciones que se dan en mercados líquidos pueden desaparecer durante una crisis.
La IA puede elaborar previsiones más detalladas y actualizarlas con mayor frecuencia. No puede garantizar que el mañana se parezca a los datos con los que se ha entrenado.
Bridgewater ofrece un ejemplo de un uso diferente
Bridgewater Associates es conocida principalmente por su inversión macroeconómica sistemática, más que por funcionar como un fondo de cobertura impulsado exclusivamente por la inteligencia artificial.
Su proceso de inversión se ha basado desde hace tiempo en normas explícitas, relaciones económicas y un análisis exhaustivo de los datos. La inteligencia artificial puede reforzar esta estructura ayudando a los investigadores a examinar la información, comprobar hipótesis y supervisar el riesgo de la cartera.
La distinción es importante.
Algunos fondos de cobertura utilizan el aprendizaje automático para generar operaciones directamente. Otros lo utilizan como un factor más dentro de un marco de inversión más amplio. La inteligencia artificial puede servir de ayuda en la investigación, la ejecución o la gestión de riesgos, sin llegar a controlar toda la cartera.
El enfoque de Bridgewater ilustra cómo la tecnología puede reforzar una filosofía de inversión ya consolidada, en lugar de sustituirla.
Un marco claro también puede facilitar la revisión del análisis automatizado. Cuando la conclusión de un modelo entra en conflicto con la interpretación que tiene el fondo de la situación económica, los investigadores pueden analizar las discrepancias.
La IA resulta más útil cuando genera tanto preguntas como respuestas.
La velocidad altera el equilibrio competitivo
Los sistemas de aprendizaje automático pueden procesar grandes conjuntos de datos mucho más rápido que los analistas humanos.
Esto es importante en estrategias en las que la información pierde valor rápidamente. Los fondos pueden analizar un comunicado de resultados, interpretar su contenido y realizar operaciones antes de que un equipo de análisis tradicional haya completado su revisión.
Los algoritmos también pueden supervisar miles de valores y ajustar las posiciones a medida que cambian los precios, las correlaciones o la volatilidad.
Esa velocidad solo supone una ventaja cuando la señal es fiable y los costes de ejecución están controlados.
Operar con demasiada frecuencia puede mermar la rentabilidad debido a las comisiones, los diferenciales y el impacto en el mercado. Las respuestas rápidas también pueden agravar los errores si un modelo interpreta erróneamente la nueva información.
Una señal falsa a la que se reacciona en milisegundos sigue siendo falsa.
Por lo tanto, los fondos de cobertura deben decidir qué resultados requieren una ejecución inmediata y cuáles deben someterse a comprobaciones adicionales.
El modelo más rápido no tiene por qué ser necesariamente el más rentable.
La IA no elimina los sesgos humanos
Los defensores de la IA suelen argumentar que esta permite tomar decisiones de inversión más objetivas al reducir el papel de las emociones y la intuición.
Puede limitar ciertos errores de comportamiento. Un algoritmo no entra en pánico tras una caída del mercado, no se encariña con una empresa favorita ni modifica su estrategia por culpa de un director ejecutivo persuasivo.
Pero los modelos heredan las decisiones de sus diseñadores.
Los investigadores seleccionan los datos, definen el objetivo y deciden cómo debe equilibrar el sistema la rentabilidad y el riesgo. También determinan qué período histórico es relevante y cómo se tratan las predicciones erróneas.
Por lo tanto, el sesgo puede surgir de la construcción del modelo y no de las emociones del gestor de la cartera.
También existe el riesgo de que se produzca un sesgo de automatización. Los empleados pueden confiar ciegamente en un sistema complejo porque sus resultados parecen científicos, incluso cuando los supuestos en los que se basa son poco sólidos.
El juicio humano no ha desaparecido. Se ha trasladado al diseño, la interpretación y la supervisión del modelo.
Las afirmaciones sobre el rendimiento deben ir acompañadas de pruebas más sólidas
Según diversos informes del sector, los fondos de cobertura basados en la inteligencia artificial obtienen unos rendimientos superiores a los de los fondos tradicionales en una media del 5%.
Este tipo de comparaciones deben hacerse con cautela.
La categoría de «fondo basado en la inteligencia artificial» no está definida de forma uniforme. Un gestor puede utilizar el aprendizaje automático para la construcción de la cartera, mientras que otro lo aplica únicamente a la ejecución o al seguimiento de riesgos.
La rentabilidad también depende de la estrategia, la situación del mercado, el apalancamiento y el periodo analizado.
Los fondos que tienen éxito pueden dar a conocer sus métodos, mientras que los que fracasan desaparecen de las bases de datos. Esto genera un sesgo de supervivencia y puede hacer que los resultados históricos parezcan mejores de lo que realmente fueron.
La inteligencia artificial puede contribuir a obtener un rendimiento superior en algunas estrategias. No es un factor de rentabilidad en sí mismo.
Los inversores deben comprender cómo afecta la tecnología al proceso de inversión y si la ventaja alegada ha resistido los costes de transacción, los cambios en los mercados y la competencia.
La presencia del aprendizaje automático no debe reducir el nivel de diligencia debida.
El riesgo de modelo se convierte en riesgo de inversión
Todos los fondos cuantitativos se enfrentan al riesgo de modelo: la posibilidad de que su representación del mercado sea incompleta o errónea.
La IA puede agravar este problema, ya que los sistemas complejos pueden comportarse de formas difíciles de prever.
Es posible que un modelo ofrezca buenos resultados durante las pruebas porque ha identificado patrones fortuitos en los datos históricos. Esto se conoce como sobreajuste. La estrategia parece precisa hasta que se encuentra con información que no ha visto antes.
Los modelos también pueden deteriorarse gradualmente a medida que cambian las condiciones del mercado. Una señal puede seguir siendo rentable, pero perder intensidad, lo que lleva al sistema a asumir más riesgo para obtener la misma rentabilidad.
Los fondos de cobertura deben comprobar que los resultados reales sigan siendo coherentes con el análisis inicial.
La validación independiente es fundamental. El equipo encargado de desarrollar un modelo no debe ser el único responsable de decidir si este es fiable.
Los gestores también necesitan umbrales claros para reducir la exposición o cerrar una estrategia.
No se debe defender un modelo simplemente porque sea demasiado complejo de entender.
Los modelos con gran afluencia de participantes pueden amplificar los mercados
El auge de la negociación basada en la inteligencia artificial podría influir en el comportamiento del mercado más allá de los fondos individuales.
Si varios modelos responden a las mismas señales, pueden comprar y vender en momentos similares. Esto puede dar lugar a posiciones masivas y a movimientos bruscos de los precios cuando las condiciones cambian.
Una estrategia puede parecer diversificada porque opera con numerosos valores. En realidad, sus posiciones pueden depender del mismo factor subyacente que las de otros fondos cuantitativos.
Esta concentración oculta se hace evidente en situaciones de estrés.
El desapalancamiento forzoso puede agravar el efecto. Cuando aumentan las pérdidas o se incrementa la volatilidad, los sistemas de gestión de riesgos pueden exigir a varios fondos que reduzcan su exposición de forma simultánea.
Es posible que cada fondo actúe de forma racional desde su propio punto de vista, al tiempo que contribuye a la inestabilidad en todo el mercado.
La IA no genera necesariamente este comportamiento, pero una mayor automatización y la similitud entre los modelos pueden acelerarlo.
Por lo tanto, los gestores de riesgos deben tener en cuenta no solo lo que contiene su propio sistema, sino también cómo podrían reaccionar los competidores ante esa misma información.
La gestión de riesgos es una de las aplicaciones más sólidas
Es posible que la IA ofrezca ventajas más evidentes en la gestión de riesgos que en la predicción de los mercados.
Los sistemas pueden supervisar las exposiciones de la cartera, detectar correlaciones inusuales e identificar cambios en la liquidez. Pueden analizar cómo posiciones aparentemente no relacionadas entre sí podrían responder a la misma perturbación.
El aprendizaje automático también puede ayudar a los fondos a analizar una gama más amplia de escenarios e identificar vulnerabilidades que las categorías de riesgo convencionales pasan por alto.
El resultado aún debe interpretarse.
Los datos históricos pueden contener pocos ejemplos de perturbaciones graves del mercado. Un modelo solo puede estimar la probabilidad de pérdidas extremas a partir de los acontecimientos o supuestos de los que dispone.
Por lo tanto, el análisis de escenarios debería incluir situaciones que no hayan ocurrido en los datos de entrenamiento.
La gestión de riesgos no es solo un ejercicio estadístico. Requiere imaginar cómo pueden fallar los mercados, las contrapartes y las infraestructuras.
La IA puede ampliar el conjunto de datos que se tienen en cuenta. No puede definir todas las crisis plausibles.
El talento se vuelve cada vez más interdisciplinar
La inversión basada en la inteligencia artificial requiere algo más que ingenieros de software.
Los equipos de éxito combinan conocimientos especializados en matemáticas, informática, mercados, construcción de carteras y gestión de riesgos. Un modelo técnicamente sofisticado puede fallar si sus desarrolladores no comprenden los costes de negociación ni cómo cambia la liquidez del mercado en situaciones de presión.
Los profesionales de la inversión también necesitan suficientes conocimientos técnicos para cuestionar el sistema. Deben comprender cómo se han seleccionado los datos, qué es lo que optimiza el modelo y en qué aspectos sus conclusiones son menos fiables.
La competencia por este talento sale cara.
Los fondos de cobertura contratan personal procedente de empresas tecnológicas, universidades y empresas de investigación especializadas. La remuneración puede ser considerable, sobre todo para los empleados que combinan conocimientos sobre aprendizaje automático con experiencia en los mercados financieros.
Es posible que las gestoras más pequeñas tengan dificultades para igualar los recursos de las grandes empresas cuantitativas.
La tecnología externa puede reducir la brecha, pero no puede sustituir al conocimiento interno. Un fondo que depende de un sistema que no puede evaluar ha adquirido un nuevo riesgo operativo en lugar de una ventaja de inversión.
La inversión en tecnología no garantiza la rentabilidad
Se preveía que la inversión de los fondos de cobertura en tecnología de inteligencia artificial alcanzara los $2 mil millones para 2025.
El gasto puede contribuir a mejorar las infraestructuras, la investigación y la ejecución. También puede financiar proyectos que nunca den lugar a una estrategia viable.
Las iniciativas de inteligencia artificial pueden fracasar porque los datos son de mala calidad, la pregunta de investigación no está clara o el modelo no puede funcionar eficazmente en los mercados reales.
El hecho de que una prueba tenga éxito no significa que se tengan en cuenta automáticamente los costes de transacción, las limitaciones de capacidad o los cambios en el comportamiento de los inversores.
Por lo tanto, los fondos deberían evaluar los proyectos tecnológicos en función de unos resultados operativos o de inversión bien definidos.
Un sistema destinado a reducir los costes de ejecución puede evaluarse. Un modelo diseñado para mejorar la detección del fraude puede compararse con los controles existentes. Una promesa general de transformar el rendimiento de las inversiones es mucho más difícil de evaluar.
La sofisticación de la tecnología carece de importancia si no mejora la rentabilidad ajustada al riesgo ni reduce un coste cuantificable.
La gobernanza debe adaptarse a la complejidad
Los fondos basados en la inteligencia artificial deben asumir una responsabilidad clara respecto a los modelos y sus resultados.
La alta dirección debe saber en qué momentos se toman decisiones automatizadas, qué sistemas pueden ejecutar operaciones y qué controles limitan su autoridad.
Los cambios en los modelos deben documentarse y someterse a pruebas antes de su implementación. Las fuentes de datos deben someterse a una revisión jurídica y ética, especialmente cuando contengan datos personales o material que no se haya recopilado con fines de inversión.
La ciberseguridad es otra de las preocupaciones. Los modelos y conjuntos de datos propios son activos valiosos. Su robo o manipulación podría provocar pérdidas económicas considerables.
Los fondos también deben estar preparados para posibles fallos técnicos. Los sistemas de negociación deben contar con medidas de seguridad, procedimientos de intervención manual y la capacidad de seguir funcionando cuando los servicios externos dejen de estar disponibles.
La automatización puede reducir los errores humanos en las decisiones rutinarias. Sin embargo, puede generar errores más graves cuando un proceso defectuoso se aplica a gran escala.
La gobernanza determina si la rapidez se convierte en una ventaja o en un punto débil.
Los inversores necesitan plantearse preguntas diferentes
Los inversores institucionales que evalúen un fondo de cobertura basado en la inteligencia artificial deberían ir más allá del discurso tecnológico.
La cuestión fundamental es el origen de la rentabilidad.
Los inversores deben comprender qué ineficiencia del mercado aprovecha la estrategia, por qué debería persistir y qué podría provocar su desaparición. Deben examinar la calidad de los datos, la validación del modelo y el rendimiento del fondo fuera del periodo utilizado para su desarrollo.
La capacidad también es importante. Una estrategia puede funcionar con un capital limitado, pero perder eficacia cuando los activos crecen y las operaciones influyen en el mercado.
Los inversores deberían preguntarse con qué rapidez cambian los modelos, quién aprueba esos cambios y cómo intervienen los empleados cuando los resultados parecen poco razonables.
También deben distinguir entre una ventaja competitiva auténtica y el uso de herramientas de libre acceso.
Una demostración impresionante no puede sustituir a un proceso de inversión sólido.
El futuro pertenece a los fondos híbridos, no a los fondos autónomos
Se prevé que la inversión en IA en el sector financiero siga creciendo rápidamente. Gartner ha pronosticado un crecimiento anual del 30%, aunque esta cifra debe verificarse y podría referirse a un mercado de servicios financieros más amplio.
Es probable que, en los próximos tres a cinco años, el aprendizaje automático se convierta en un componente habitual de la investigación y las operaciones de los fondos de cobertura.
Eso no significa que los fondos totalmente autónomos vayan a imponerse.
Los mercados son sistemas adaptativos que se ven condicionados por las políticas, el comportamiento institucional y acontecimientos que cuentan con pocos precedentes históricos. Las estrategias puramente automatizadas pueden ofrecer un buen rendimiento, pero siguen estando expuestas a supuestos que pueden fallar sin previo aviso.
Es probable que el modelo más sostenible combine el análisis automatizado con la investigación humana y una supervisión rigurosa.
Los algoritmos pueden analizar grandes conjuntos de datos, supervisar posiciones y ejecutar operaciones. Los gestores de carteras y los equipos de gestión de riesgos deben decidir si las relaciones identificadas tienen sentido desde el punto de vista económico y si el fondo podrá sobrevivir cuando dejen de funcionar.
La inteligencia artificial ampliará la gama de señales que los fondos de cobertura pueden aprovechar. Además, aumentará la velocidad a la que se copian, se saturan y se invalidan las estrategias.
La tecnología puede mejorar los mecanismos de inversión. Sin embargo, no elimina la competencia, la incertidumbre ni el ciclo del mercado.
Para los fondos de cobertura, esos siguen siendo los problemas más difíciles.
